Potential of the CMS H->tau+tau- analysis using boosted decision trees

Abstract

Im Jahr 2012 wurde am LHC am CERN von der CMS und ATLAS Collaboration ein neues Boson mit einer ungefähren Masse von 125 GeV entdeckt. Seine Eigenschaften stimmen gut mit jenen des gesuchten Higgs Bosons des Standard Modells der Teilchenphysik überein. Bis dahin war das Higgs Boson das letzte Teilchen des Standard Modells, das noch nicht experimentell beobachtet worden war. Ein wichtiger Schritt um die Übereinstimmung des Bosons mit dem Higgs Boson des Standard Modells zu bestätigen, ist die Messung der Kopplung zu Tau-Leptonen mit hoher Präzision. Der vielversprechendste Zerfallskanal, um die notwendige Signifikanz für eine Entdeckung zu erreichen, ist H->Tau+Tau-. Um die Leistung der Eventklassifizierung von Datensätzen, die am LHC bei einer Schwerpunktsenergie von 13 TeV detektiert werden, zu erhöhen, werden Boosted Decision Trees (BDT) als potentielle Signalextraktionsmethode untersucht. BDT ist eine selbstlernende Methode, die durch die Verwendung von Monte Carlo Datensätzen optimiert und trainiert wird. Die BDTs werden mit den Ergebnissen anderer Methoden, die Signalereignisse von Hintergrundereignissen trennen, verglichen. Als Vergleich werden eine schnittbasierte Methode, die der Standardmethode in der Hochenergiephysik entspricht, und zwei selbstlernende Methoden herangezogen. Die BDTs weisen deutlich bessere Ergebnisse als die anderen Methoden auf und zeigen somit hohes Potential für die zukünftige Datenanalyse.

In 2012, a new boson with a mass of approximately 125 GeV was discovered at the LHC at CERN by the ATLAS and CMS Collaboration. Its properties were found to have good agreement with the sought-after Higgs boson described in the Standard Model of particle physics. Until then, the Higgs particle was the last particle of the Standard Model that was not experimentally verified. One important step in confirming the boson as the Standard Model Higgs boson is the measurement of its coupling to tau leptons with high precision. The most promising decay channel to reach discovery significance is the H->Tau+Tau- decay. To enhance the performance of the event classification of data taken at LHC at a center-of-mass energy of 13 TeV, boosted decision trees (BDT) are studied as potential signal extraction method. BDT is a machine learning technique, which was optimized and trained by the use of Monte Carlo samples. As a benchmark, the BDT performance is compared to other signal-versus-background classifier like a cut-based method, which is the standard technique used in high energy physics, and to other machine learning methods. The BDT analysis performs significantly better than the other approaches and therefore has high potential for future data analysis.